标签：视觉语言模型
这些VLM竟都是盲人？GPT-4o、Sonnet-3.5相继败于「视力」测试
研究背景与目的视觉语言模型（VLMs）近年来取得了显著进展，能够理解图像内容并用语言描述，甚至执行复杂任务。然而，现有基准测试集并不能完全评估VLMs的视...
超越CVPR 2024方法，DynRefer在区域级多模态识别任务上，多项SOTA
本文介绍了一种名为DynRefer的新型区域级多模态理解方法，由中国科学院大学LAMP实验室的研究团队提出。DynRefer通过模拟人类视觉认知过程中的动态分辨率机制...
视觉语言模型导论：这篇论文能成为你进军VLM的第一步
近些年，语言建模领域取得了显著进展，大型语言模型（LLM）如Llama和ChatGPT等不仅能够处理多种任务，也开始具备处理视觉输入的能力。这标志着AI技术革命的一...
ICRA 2024：基于物理常识进行推理
为了在现实世界中推理，机器人必须超越被动地查询LLMs，积极地从环境中收集所需的信息来做出正确的决策。研究人员提出了一种方法，利用LLM和视觉语言模型（VL...
CVPR 2024｜PromptKD: 基于Prompt的视觉语言模型蒸馏
摘要：PromptKD是一种新颖的基于prompt的视觉语言模型蒸馏方法，它在11个prompt learning基准数据集上取得了最先进的性能（SOTA）。该方法通过引入大型CLIP模...
2024年还在学YOLO？SeeClick: 手把手教你基于Qwen-VL搭建一个多模态智能体！
本文介绍了南京大学和上海AI实验室共同研发的基于大规模视觉语言模型（LVLM）的视觉GUI智能体SeeClick。SeeClick能够像人类一样通过观察屏幕执行点击、输入等...
晒应用是一个专注于软件和资源网站分享的导航类网站。我们致力于为用户提供最新、最热门的应用推荐和AI资源，涵盖各种AI绘画、AI制图、AI工具、AI剪辑、AI文本、AI创作、实用工具、免费软件、在线服务和在线影视导航。无论您是寻找最佳的数字工具还是想要了解最新的黑科技应用，晒应用都能满足您的需求。